Görüntü Analizi 3.2 API'sini çağırma

Bu makalede, görüntünün görsel özellikleri hakkında bilgi döndürmek için Görüntü Analizi sürüm 3.2 API'sinin nasıl çağrılacakları gösterilmektedir. Ayrıca istemci SDK'larını veya REST API'lerini kullanarak döndürülen bilgilerin nasıl ayrıştırıldığını da gösterir.

Bu kılavuzda zaten bir Görüntü İşleme kaynağı oluşturduğunuz ve bir anahtar ile uç nokta URL'si aldığınız varsayılır. İstemci SDK'sı kullanıyorsanız, istemci nesnesinin kimliğini de doğrulamanız gerekir. Bu adımlar hakkında daha fazla bilgi için bkz . Görüntü Analizi hızlı başlangıcı.

Hizmete veri gönderme

Bu kılavuzdaki kod, URL tarafından başvuruda bulunan uzak görüntüleri kullanır. Görüntü Analizi özelliklerinin tüm özelliklerini görmek için farklı görüntüleri kendiniz denemek isteyebilirsiniz.

Uzak görüntüyü analiz ederken, istek gövdesini şu şekilde biçimlendirerek görüntünün URL'sini belirtirsiniz: {"url":"http://example.com/images/test.jpg"}.

Yerel görüntüyü analiz etmek için ikili görüntü verilerini HTTP isteği gövdesine yerleştirin.

Ana sınıfınızda, analiz etmek istediğiniz görüntünün URL'sine bir başvuru kaydedin.

// URL image used for analyzing an image (image of puppy)
private const string ANALYZE_URL_IMAGE = "https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/refs/heads/master/ComputerVision/Images/dog.jpg";

Yerel görüntüyü analiz etmek için, gibi ComputerVisionClientAnalyzeImageInStreamAsync. Alternatif olarak, yerel görüntüleri içeren senaryolar için GitHub'da örnek koda bakın.

Ana sınıfınızda, analiz etmek istediğiniz görüntünün URL'sine bir başvuru kaydedin.

String pathToRemoteImage = "https://github.com/Azure-Samples/cognitive-services-sample-data-files/raw/master/ComputerVision/Images/faces.jpg";

Yerel görüntüyü analiz etmek için, gibi ComputerVisionAnalyzeImage. Alternatif olarak, yerel görüntüleri içeren senaryolar için GitHub'da örnek koda bakın.

Ana işlevinizde, analiz etmek istediğiniz görüntünün URL'sine bir başvuru kaydedin.

const describeURL = 'https://raw.githubusercontent.com/Azure-Samples/cognitive-services-sample-data-files/master/ComputerVision/Images/celebrities.jpg';

Yerel görüntüyü analiz etmek için, gibi ComputerVisionClientdescribeImageInStream. Alternatif olarak, yerel görüntüleri içeren senaryolar için GitHub'da örnek koda bakın.

Analiz etmek istediğiniz görüntünün URL'sine bir başvuru kaydedin.

remote_image_url = "https://moderatorsampleimages.blob.core.windows.net/samples/sample16.png"

Yerel görüntüyü analiz etmek için, gibi ComputerVisionClientOperationsMixinanalyze_image_in_stream. Alternatif olarak, yerel görüntüleri içeren senaryolar için GitHub'da örnek koda bakın.

Verilerin nasıl işleneceğini belirleme

Görsel özellikleri seçme

Analiz API'si, hizmetin tüm görüntü çözümleme özelliklerine erişmenizi sağlar. Kendi kullanım örneğinize göre hangi işlemlerin gerçekleştirileceğini seçin. Her özelliğin açıklaması için bkz. Azure Vision'a genel bakış. Aşağıdaki bölümlerdeki örnekler tüm kullanılabilir görsel özellikleri ekler, ancak pratik kullanım için muhtemelen yalnızca bir veya iki görsele ihtiyacınız vardır.

Analiz API'sinin URL sorgu parametrelerini ayarlayarak hangi özellikleri kullanmak istediğinizi belirtebilirsiniz. Parametrenin virgülle ayrılmış birden çok değeri olabilir. Belirttiğiniz her özellik için daha fazla hesaplama süresi gerekir, bu nedenle yalnızca ihtiyacınız olanı belirtin.

URL parametresi	Değer	Açıklama
`features`	`Read`	görüntüdeki görünür metni okur ve bunu yapılandırılmış JSON verileri olarak verir
`features`	`Description`	desteklenen dillerde tam bir cümleyle görüntü içeriğini açıklar
`features`	`SmartCrops`	ilgi alanını korurken görüntüyü istenen en boy oranına kırpacak dikdörtgen koordinatlarını bulur
`features`	`Objects`	, yaklaşık konum dahil olmak üzere bir görüntüdeki çeşitli nesneleri algılar. Bağımsız `Objects` değişken yalnızca İngilizce kullanılabilir
`features`	`Tags`	resmi, görüntü içeriğiyle ilgili sözcüklerin ayrıntılı bir listesiyle etiketler

Doldurulmuş bir URL şöyle görünebilir:

<endpoint>/vision/v3.2/analyze?visualFeatures=Tags

Görüntü analizi için yeni yönteminizi tanımlayın. Analizinizde ayıklamak istediğiniz görsel özellikleri belirten aşağıdaki kodu ekleyin. Tam liste için bkz. VisualFeatureTypes sabit listesi.

/* 
 * ANALYZE IMAGE - URL IMAGE
 * Analyze URL image. Extracts captions, categories, tags, objects, faces, racy/adult/gory content,
 * brands, celebrities, landmarks, color scheme, and image types.
 */
public static async Task AnalyzeImageUrl(ComputerVisionClient client, string imageUrl)
{
    Console.WriteLine("----------------------------------------------------------");
    Console.WriteLine("ANALYZE IMAGE - URL");
    Console.WriteLine();

    // Creating a list that defines the features to be extracted from the image. 

    List<VisualFeatureTypes?> features = new List<VisualFeatureTypes?>()
    {
        VisualFeatureTypes.Categories, VisualFeatureTypes.Description,
        VisualFeatureTypes.Faces, VisualFeatureTypes.ImageType,
        VisualFeatureTypes.Tags, VisualFeatureTypes.Adult,
        VisualFeatureTypes.Color, VisualFeatureTypes.Brands,
        VisualFeatureTypes.Objects
    };

Çözümlemenizde hangi görsel özellikleri ayıklamak istediğinizi belirtin. Tam liste için bkz. VisualFeatureTypes sabit listesi.

// This list defines the features to be extracted from the image.
List<VisualFeatureTypes> featuresToExtractFromRemoteImage = new ArrayList<>();
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.DESCRIPTION);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.CATEGORIES);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.TAGS);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.FACES);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.ADULT);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.COLOR);
featuresToExtractFromRemoteImage.add(VisualFeatureTypes.IMAGE_TYPE);

Çözümlemenizde hangi görsel özellikleri ayıklamak istediğinizi belirtin. Tam liste için bkz. VisualFeatureTypes sabit listesi.

// Get the visual feature for analysis
const features = ['Categories','Brands','Adult','Color','Description','Faces','Image_type','Objects','Tags'];
const domainDetails = ['Celebrities','Landmarks'];

Çözümlemenizde hangi görsel özellikleri ayıklamak istediğinizi belirtin. Tam liste için bkz. VisualFeatureTypes sabit listesi.

print("===== Analyze an image - remote =====")
# Select the visual feature(s) you want.
remote_image_features = [VisualFeatureTypes.categories,VisualFeatureTypes.brands,VisualFeatureTypes.adult,VisualFeatureTypes.color,VisualFeatureTypes.description,VisualFeatureTypes.faces,VisualFeatureTypes.image_type,VisualFeatureTypes.objects,VisualFeatureTypes.tags]
remote_image_details = [Details.celebrities,Details.landmarks]

Dilleri belirtme

Döndürülen verilerin dilini de belirtebilirsiniz.

Aşağıdaki URL sorgu parametresi dili belirtir. Varsayılan değer şudur: en.

URL parametresi	Değer	Açıklama
`language`	`en`	İngilizce
`language`	`es`	İspanyolca
`language`	`ja`	Japonca
`language`	`pt`	Portekizce (Portekiz)
`language`	`zh`	Basitleştirilmiş Çince

Doldurulmuş bir URL şöyle görünebilir:

<endpoint>/vision/v3.2/analyze?visualFeatures=Tags&language=en

Bir dil belirtmek için AnalyzeImageAsync çağrısının dil parametresini kullanın.

Dil	Değer
İngilizce	`en`
İspanyolca	`es`
Japonca	`ja`
Portekizce (Portekiz)	`pt`
Basitleştirilmiş Çince	`zh`

Bir dili belirten bir yöntem çağrısı aşağıdaki gibi görünebilir.

ImageAnalysis results = await client.AnalyzeImageAsync(imageUrl, visualFeatures: features, language: "en");

Bir dil belirtmek için Çözümle çağrınızdaki AnalyzeImageOptionalParameter girişini kullanın.

Dil	Değer
İngilizce	`en`
İspanyolca	`es`
Japonca	`ja`
Portekizce (Portekiz)	`pt`
Basitleştirilmiş Çince	`zh`

Bir dili belirten bir yöntem çağrısı aşağıdaki gibi görünebilir.

ImageAnalysis analysis = compVisClient.computerVision().analyzeImage().withUrl(pathToRemoteImage)
    .withVisualFeatures(featuresToExtractFromLocalImage)
    .language("en")
    .execute();

language Bir dil belirtmek için Çözümle çağrınızdaki ComputerVisionClientAnalyzeImageOptionalParams girişinin özelliğini kullanın.

Dil	Değer
İngilizce	`en`
İspanyolca	`es`
Japonca	`ja`
Portekizce (Portekiz)	`pt`
Basitleştirilmiş Çince	`zh`

Bir dili belirten bir yöntem çağrısı aşağıdaki gibi görünebilir.

const result = (await computerVisionClient.analyzeImage(imageURL,{visualFeatures: features, language: 'en'}));

language Bir dil belirtmek için analyze_image çağrınızın parametresini kullanın.

Dil	Değer
İngilizce	`en`
İspanyolca	`es`
Japonca	`ja`
Portekizce (Portekiz)	`pt`
Basitleştirilmiş Çince	`zh`

Bir dili belirten bir yöntem çağrısı aşağıdaki gibi görünebilir.

results_remote = computervision_client.analyze_image(remote_image_url , remote_image_features, remote_image_details, 'en')

Hizmetten sonuç alma

Bu bölümde, API çağrısının sonuçlarını ayrıştırma gösterilmektedir. API çağrısının kendisini içerir.

Not

Kapsamlı API çağrıları

Görüntü Analizi'ndeki bazı özellikler doğrudan veya Analiz API'si çağrısı aracılığıyla çağrılabilir. Örneğin, bir istekte <endpoint>/vision/v3.2/tag bulunarak (veya SDK'daki ilgili yönteme) yalnızca görüntü etiketlerinin kapsamlı bir analizini yapabilirsiniz. Ayrı olarak çağrılabilecek diğer özellikler için başvuru belgelerine bakın.

Hizmet bir 200 HTTP yanıtı döndürür ve gövde döndürülen verileri JSON dizesi biçiminde içerir. Aşağıdaki metin bir JSON yanıtı örneğidir.

{
    "metadata":
    {
        "width": 300,
        "height": 200
    },
    "tagsResult":
    {
        "values":
        [
            {
                "name": "grass",
                "confidence": 0.9960499405860901
            },
            {
                "name": "outdoor",
                "confidence": 0.9956876635551453
            },
            {
                "name": "building",
                "confidence": 0.9893627166748047
            },
            {
                "name": "property",
                "confidence": 0.9853052496910095
            },
            {
                "name": "plant",
                "confidence": 0.9791355729103088
            }
        ]
    }
}

Hata kodları

Olası hataların ve bunların nedenlerinin aşağıdaki listesine bakın:

400
- InvalidImageUrl - Görüntü URL'si hatalı biçimlendirilmiş veya erişilebilir değil
- InvalidImageFormat - Giriş verileri geçerli bir görüntü değil
- InvalidImageSize - Giriş görüntüsü çok büyük
- NotSupportedVisualFeature - Belirtilen özellik türü geçerli değil
- NotSupportedImage - Desteklenmeyen görüntü, örneğin çocuk pornografisi
- InvalidDetails - Desteklenmeyen detail parametre değeri
- NotSupportedLanguage - İstenen işlem belirtilen dilde desteklenmiyor
- BadArgument - Hata iletisinde daha fazla ayrıntı sağlanır
415 - Desteklenmeyen medya türü hatası. İçerik Türü izin verilen türlerde değildir:
- Resim URL'si için İçerik Türü application/json
- İkili görüntü verileri için İçerik Türü veya olmalıdır application/octet-streammultipart/form-data
500
- FailedToProcess
- Timeout - Görüntü işleme zaman aşımına uğradı
- InternalServerError

Aşağıdaki kod Görüntü Analizi API'sini çağırır ve sonuçları konsola yazdırır.

// Analyze the URL image 
ImageAnalysis results = await client.AnalyzeImageAsync(imageUrl, visualFeatures: features);

// Summarizes the image content.
Console.WriteLine("Summary:");
foreach (var caption in results.Description.Captions)
{
    Console.WriteLine($"{caption.Text} with confidence {caption.Confidence}");
}
Console.WriteLine();

// Display categories the image is divided into.
Console.WriteLine("Categories:");
foreach (var category in results.Categories)
{
    Console.WriteLine($"{category.Name} with confidence {category.Score}");
}
Console.WriteLine();

// Image tags and their confidence score
Console.WriteLine("Tags:");
foreach (var tag in results.Tags)
{
    Console.WriteLine($"{tag.Name} {tag.Confidence}");
}
Console.WriteLine();

// Objects
Console.WriteLine("Objects:");
foreach (var obj in results.Objects)
{
    Console.WriteLine($"{obj.ObjectProperty} with confidence {obj.Confidence} at location {obj.Rectangle.X}, " +
      $"{obj.Rectangle.X + obj.Rectangle.W}, {obj.Rectangle.Y}, {obj.Rectangle.Y + obj.Rectangle.H}");
}
Console.WriteLine();

// Faces
Console.WriteLine("Faces:");
foreach (var face in results.Faces)
{
    Console.WriteLine($"A {face.Gender} of age {face.Age} at location {face.FaceRectangle.Left}, " +
      $"{face.FaceRectangle.Left}, {face.FaceRectangle.Top + face.FaceRectangle.Width}, " +
      $"{face.FaceRectangle.Top + face.FaceRectangle.Height}");
}
Console.WriteLine();

// Adult or racy content, if any.
Console.WriteLine("Adult:");
Console.WriteLine($"Has adult content: {results.Adult.IsAdultContent} with confidence {results.Adult.AdultScore}");
Console.WriteLine($"Has racy content: {results.Adult.IsRacyContent} with confidence {results.Adult.RacyScore}");
Console.WriteLine($"Has gory content: {results.Adult.IsGoryContent} with confidence {results.Adult.GoreScore}");
Console.WriteLine();

// Well-known (or custom, if set) brands.
Console.WriteLine("Brands:");
foreach (var brand in results.Brands)
{
    Console.WriteLine($"Logo of {brand.Name} with confidence {brand.Confidence} at location {brand.Rectangle.X}, " +
      $"{brand.Rectangle.X + brand.Rectangle.W}, {brand.Rectangle.Y}, {brand.Rectangle.Y + brand.Rectangle.H}");
}
Console.WriteLine();

// Celebrities in image, if any.
Console.WriteLine("Celebrities:");
foreach (var category in results.Categories)
{
    if (category.Detail?.Celebrities != null)
    {
        foreach (var celeb in category.Detail.Celebrities)
        {
            Console.WriteLine($"{celeb.Name} with confidence {celeb.Confidence} at location {celeb.FaceRectangle.Left}, " +
              $"{celeb.FaceRectangle.Top}, {celeb.FaceRectangle.Height}, {celeb.FaceRectangle.Width}");
        }
    }
}
Console.WriteLine();

// Popular landmarks in image, if any.
Console.WriteLine("Landmarks:");
foreach (var category in results.Categories)
{
    if (category.Detail?.Landmarks != null)
    {
        foreach (var landmark in category.Detail.Landmarks)
        {
            Console.WriteLine($"{landmark.Name} with confidence {landmark.Confidence}");
        }
    }
}
Console.WriteLine();

// Identifies the color scheme.
Console.WriteLine("Color Scheme:");
Console.WriteLine("Is black and white?: " + results.Color.IsBWImg);
Console.WriteLine("Accent color: " + results.Color.AccentColor);
Console.WriteLine("Dominant background color: " + results.Color.DominantColorBackground);
Console.WriteLine("Dominant foreground color: " + results.Color.DominantColorForeground);
Console.WriteLine("Dominant colors: " + string.Join(",", results.Color.DominantColors));
Console.WriteLine();

// Detects the image types.
Console.WriteLine("Image Type:");
Console.WriteLine("Clip Art Type: " + results.ImageType.ClipArtType);
Console.WriteLine("Line Drawing Type: " + results.ImageType.LineDrawingType);
Console.WriteLine();

Aşağıdaki kod Görüntü Analizi API'sini çağırır ve sonuçları konsola yazdırır.

// Call the Computer Vision service and tell it to analyze the loaded image.
ImageAnalysis analysis = compVisClient.computerVision().analyzeImage().withUrl(pathToRemoteImage)
        .withVisualFeatures(featuresToExtractFromRemoteImage).execute();

// Display image captions and confidence values.
System.out.println("\nCaptions: ");
for (ImageCaption caption : analysis.description().captions()) {
    System.out.printf("\'%s\' with confidence %f\n", caption.text(), caption.confidence());
}

// Display image category names and confidence values.
System.out.println("\nCategories: ");
for (Category category : analysis.categories()) {
    System.out.printf("\'%s\' with confidence %f\n", category.name(), category.score());
}

// Display image tags and confidence values.
System.out.println("\nTags: ");
for (ImageTag tag : analysis.tags()) {
    System.out.printf("\'%s\' with confidence %f\n", tag.name(), tag.confidence());
}

// Display any faces found in the image and their location.
System.out.println("\nFaces: ");
for (FaceDescription face : analysis.faces()) {
    System.out.printf("\'%s\' of age %d at location (%d, %d), (%d, %d)\n", face.gender(), face.age(),
            face.faceRectangle().left(), face.faceRectangle().top(),
            face.faceRectangle().left() + face.faceRectangle().width(),
            face.faceRectangle().top() + face.faceRectangle().height());
}

// Display whether any adult or racy content was detected and the confidence
// values.
System.out.println("\nAdult: ");
System.out.printf("Is adult content: %b with confidence %f\n", analysis.adult().isAdultContent(),
        analysis.adult().adultScore());
System.out.printf("Has racy content: %b with confidence %f\n", analysis.adult().isRacyContent(),
        analysis.adult().racyScore());

// Display the image color scheme.
System.out.println("\nColor scheme: ");
System.out.println("Is black and white: " + analysis.color().isBWImg());
System.out.println("Accent color: " + analysis.color().accentColor());
System.out.println("Dominant background color: " + analysis.color().dominantColorBackground());
System.out.println("Dominant foreground color: " + analysis.color().dominantColorForeground());
System.out.println("Dominant colors: " + String.join(", ", analysis.color().dominantColors()));

// Display any celebrities detected in the image and their locations.
System.out.println("\nCelebrities: ");
for (Category category : analysis.categories()) {
    if (category.detail() != null && category.detail().celebrities() != null) {
        for (CelebritiesModel celeb : category.detail().celebrities()) {
            System.out.printf("\'%s\' with confidence %f at location (%d, %d), (%d, %d)\n", celeb.name(),
                    celeb.confidence(), celeb.faceRectangle().left(), celeb.faceRectangle().top(),
                    celeb.faceRectangle().left() + celeb.faceRectangle().width(),
                    celeb.faceRectangle().top() + celeb.faceRectangle().height());
        }
    }
}

// Display any landmarks detected in the image and their locations.
System.out.println("\nLandmarks: ");
for (Category category : analysis.categories()) {
    if (category.detail() != null && category.detail().landmarks() != null) {
        for (LandmarksModel landmark : category.detail().landmarks()) {
            System.out.printf("\'%s\' with confidence %f\n", landmark.name(), landmark.confidence());
        }
    }
}

// Display what type of clip art or line drawing the image is.
System.out.println("\nImage type:");
System.out.println("Clip art type: " + analysis.imageType().clipArtType());
System.out.println("Line drawing type: " + analysis.imageType().lineDrawingType());

Aşağıdaki kod Görüntü Analizi API'sini çağırır ve sonuçları konsola yazdırır.

     const result = (await computerVisionClient.analyzeImage(facesImageURL,{visualFeatures: features},{details: domainDetails}));

     // Detect faces
     // Print the bounding box, gender, and age from the faces.
     const faces = result.faces
     if (faces.length) {
       console.log(`${faces.length} face${faces.length == 1 ? '' : 's'} found:`);
       for (const face of faces) {
         console.log(`    Gender: ${face.gender}`.padEnd(20)
           + ` Age: ${face.age}`.padEnd(10) + `at ${formatRectFaces(face.faceRectangle)}`);
       }
     } else { console.log('No faces found.'); }

     // Formats the bounding box
     function formatRectFaces(rect) {
       return `top=${rect.top}`.padEnd(10) + `left=${rect.left}`.padEnd(10) + `bottom=${rect.top + rect.height}`.padEnd(12)
         + `right=${rect.left + rect.width}`.padEnd(10) + `(${rect.width}x${rect.height})`;
     }

     // Detect Objects
     const objects = result.objects;
     console.log();
     // Print objects bounding box and confidence
     if (objects.length) {
       console.log(`${objects.length} object${objects.length == 1 ? '' : 's'} found:`);
       for (const obj of objects) { console.log(`    ${obj.object} (${obj.confidence.toFixed(2)}) at ${formatRectObjects(obj.rectangle)}`); }
     } else { console.log('No objects found.'); }

     // Formats the bounding box
     function formatRectObjects(rect) {
       return `top=${rect.y}`.padEnd(10) + `left=${rect.x}`.padEnd(10) + `bottom=${rect.y + rect.h}`.padEnd(12)
         + `right=${rect.x + rect.w}`.padEnd(10) + `(${rect.w}x${rect.h})`;
     }
     console.log();

     // Detect tags
     const tags = result.tags;
     console.log(`Tags: ${formatTags(tags)}`);

     // Format tags for display
     function formatTags(tags) {
       return tags.map(tag => (`${tag.name} (${tag.confidence.toFixed(2)})`)).join(', ');
     }
     console.log();

     // Detect image type
     const types = result.imageType;
     console.log(`Image appears to be ${describeType(types)}`);

     function describeType(imageType) {
       if (imageType.clipArtType && imageType.clipArtType > imageType.lineDrawingType) return 'clip art';
       if (imageType.lineDrawingType && imageType.clipArtType < imageType.lineDrawingType) return 'a line drawing';
       return 'a photograph';
     }
     console.log();

     // Detect Category
     const categories = result.categories;
     console.log(`Categories: ${formatCategories(categories)}`);

     // Formats the image categories
     function formatCategories(categories) {
       categories.sort((a, b) => b.score - a.score);
       return categories.map(cat => `${cat.name} (${cat.score.toFixed(2)})`).join(', ');
     }
     console.log();

     // Detect Brands
     const brands = result.brands;

     // Print the brands found
     if (brands.length) {
       console.log(`${brands.length} brand${brands.length != 1 ? 's' : ''} found:`);
       for (const brand of brands) {
         console.log(`    ${brand.name} (${brand.confidence.toFixed(2)} confidence)`);
       }
     } else { console.log(`No brands found.`); }
     console.log();

     // Detect Colors
     const color = result.color;
     printColorScheme(color);

     // Print a detected color scheme
     function printColorScheme(colors) {
       console.log(`Image is in ${colors.isBwImg ? 'black and white' : 'color'}`);
       console.log(`Dominant colors: ${colors.dominantColors.join(', ')}`);
       console.log(`Dominant foreground color: ${colors.dominantColorForeground}`);
       console.log(`Dominant background color: ${colors.dominantColorBackground}`);
       console.log(`Suggested accent color: #${colors.accentColor}`);
     }
     console.log();

     // Detect landmarks
     const domain = result.landmarks;

     // Prints domain-specific, recognized objects
     if (domain.length) {
       console.log(`${domain.length} ${domain.length == 1 ? 'landmark' : 'landmarks'} found:`);
       for (const obj of domain) {
         console.log(`    ${obj.name}`.padEnd(20) + `(${obj.confidence.toFixed(2)} confidence)`.padEnd(20) + `${formatRectDomain(obj.faceRectangle)}`);
       }
     } else {
       console.log('No landmarks found.');
     }

     // Formats bounding box
     function formatRectDomain(rect) {
       if (!rect) return '';
       return `top=${rect.top}`.padEnd(10) + `left=${rect.left}`.padEnd(10) + `bottom=${rect.top + rect.height}`.padEnd(12) +
         `right=${rect.left + rect.width}`.padEnd(10) + `(${rect.width}x${rect.height})`;
     }

     console.log();

     // Detect Adult content
     // Function to confirm racy or not
     const isIt = flag => flag ? 'is' : "isn't";

     const adult = result.adult;
     console.log(`This probably ${isIt(adult.isAdultContent)} adult content (${adult.adultScore.toFixed(4)} score)`);
     console.log(`This probably ${isIt(adult.isRacyContent)} racy content (${adult.racyScore.toFixed(4)} score)`);
     console.log();

Aşağıdaki kod Görüntü Analizi API'sini çağırır ve sonuçları konsola yazdırır.

# Call API with URL and features
results_remote = computervision_client.analyze_image(remote_image_url , remote_image_features, remote_image_details)

# Print results with confidence score
print("Categories from remote image: ")
if (len(results_remote.categories) == 0):
    print("No categories detected.")
else:
    for category in results_remote.categories:
        print("'{}' with confidence {:.2f}%".format(category.name, category.score * 100))
print()

# Detect faces
# Print the results with gender, age, and bounding box
print("Faces in the remote image: ")
if (len(results_remote.faces) == 0):
    print("No faces detected.")
else:
    for face in results_remote.faces:
        print("'{}' of age {} at location {}, {}, {}, {}".format(face.gender, face.age, \
        face.face_rectangle.left, face.face_rectangle.top, \
        face.face_rectangle.left + face.face_rectangle.width, \
        face.face_rectangle.top + face.face_rectangle.height))

# Adult content
# Print results with adult/racy score
print("Analyzing remote image for adult or racy content ... ")
print("Is adult content: {} with confidence {:.2f}".format(results_remote.adult.is_adult_content, results_remote.adult.adult_score * 100))
print("Has racy content: {} with confidence {:.2f}".format(results_remote.adult.is_racy_content, results_remote.adult.racy_score * 100))
print()

# Detect colors
# Print results of color scheme
print("Getting color scheme of the remote image: ")
print("Is black and white: {}".format(results_remote.color.is_bw_img))
print("Accent color: {}".format(results_remote.color.accent_color))
print("Dominant background color: {}".format(results_remote.color.dominant_color_background))
print("Dominant foreground color: {}".format(results_remote.color.dominant_color_foreground))
print("Dominant colors: {}".format(results_remote.color.dominant_colors))
print()

# Detect image type
# Prints type results with degree of accuracy
print("Type of remote image:")
if results_remote.image_type.clip_art_type == 0:
    print("Image is not clip art.")
elif results_remote.image_type.line_drawing_type == 1:
    print("Image is ambiguously clip art.")
elif results_remote.image_type.line_drawing_type == 2:
    print("Image is normal clip art.")
else:
    print("Image is good clip art.")

if results_remote.image_type.line_drawing_type == 0:
    print("Image is not a line drawing.")
else:
    print("Image is a line drawing")

# Detect brands
print("Detecting brands in remote image: ")
if len(results_remote.brands) == 0:
    print("No brands detected.")
else:
    for brand in results_remote.brands:
        print("'{}' brand detected with confidence {:.1f}% at location {}, {}, {}, {}".format( \
        brand.name, brand.confidence * 100, brand.rectangle.x, brand.rectangle.x + brand.rectangle.w, \
        brand.rectangle.y, brand.rectangle.y + brand.rectangle.h))

# Detect objects
# Print detected objects results with bounding boxes
print("Detecting objects in remote image:")
if len(results_remote.objects) == 0:
    print("No objects detected.")
else:
    for object in detect_objects_results_remote.objects:
        print("object at location {}, {}, {}, {}".format( \
        object.rectangle.x, object.rectangle.x + object.rectangle.w, \
        object.rectangle.y, object.rectangle.y + object.rectangle.h))


# Describe image
# Get the captions (descriptions) from the response, with confidence level
print("Description of remote image: ")
if (len(results_remote.description.captions) == 0):
    print("No description detected.")
else:
    for caption in results_remote.description.captions:
        print("'{}' with confidence {:.2f}%".format(caption.text, caption.confidence * 100))
print()

# Return tags
# Print results with confidence score
print("Tags in the remote image: ")
if (len(results_remote.tags) == 0):
    print("No tags detected.")
else:
    for tag in results_remote.tags:
        print("'{}' with confidence {:.2f}%".format(tag.name, tag.confidence * 100))

# Detect celebrities
print("Celebrities in the remote image:")
if (len(results_remote.categories.detail.celebrities) == 0):
    print("No celebrities detected.")
else:
    for celeb in results_remote.categories.detail.celebrities:
        print(celeb["name"])

# Detect landmarks
print("Landmarks in the remote image:")
if len(results_remote.categories.detail.landmarks) == 0:
    print("No landmarks detected.")
else:
    for landmark in results_remote.categories.detail.landmarks:
        print(landmark["name"])

İpucu

Azure Vision ile çalışırken hizmet tarafından uygulanan hız sınırlarının veya ağ kesintileri gibi diğer geçici sorunların neden olduğu geçici hatalarla karşılaşabilirsiniz. Bu tür hataları işleme hakkında bilgi için Bulut Tasarım Desenleri kılavuzundaki Yeniden Deneme düzenine ve ilgili Devre Kesici düzenine bakın.

Nesne algılama kavramını keşfetme
API başvurusuna bakın

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2025-09-26

Aracılığıyla paylaş

Görüntü Analizi 3.2 API'sini çağırma

Hizmete veri gönderme

Verilerin nasıl işleneceğini belirleme

Görsel özellikleri seçme

Dilleri belirtme

Hizmetten sonuç alma

Hata kodları

İlgili içerik

Geri Bildirim

Ek kaynaklar